近年来，自主飞行机器人在室内物流、基础设施检查以及人造结构内的灾害响应中展示了广泛的应用潜力（Gholami, 2024）。它们小型化且高度机动的设计使得在复杂、受限的空间中执行灵活的任务成为可能（Khan et al., 2022）。然而，这种优势也伴随着挑战，如有限的载荷能力和受限的硬件成本（Kornaros, 2022）。在计算能力不足和传感器配置受限的条件下实现稳定、可靠的自主导航仍然是这类平台亟需解决的核心技术难题（Nahavandi et al., 2025, MahmoudZadeh et al., 2024）。与受地面条件（如楼梯、电缆或碎片）限制的地面机器人不同，无人机可以利用垂直维度绕过表面障碍物并访问高处的感知目标。这种3D移动性对于全面检查室内基础设施至关重要，因为地面路径往往被阻挡或不存在。此外，专门的检查任务通常需要在靠近天花板的高度固定飞行，以监测上方的公用设施或高处结构部件，这是传统地面系统无法实现的。
在感知领域，激光雷达已成为无人机导航的重要传感器，因为它具有高精度的测距能力、对环境光照条件不敏感以及能够直接提供空间几何信息（Balestrieri et al., 2021）。由于其经济性，低成本2D激光雷达已被广泛采用（Alai & Rajamani, 2024）。然而，这样的系统每帧只能捕获数百个距离样本。这种稀疏、非结构化的测量数据远远不足以满足大多数实时映射和规划算法所需的高密度点云（Biundini et al., 2021, Elghazaly et al., 2023）。
根本原因在于其有限的扫描频率和视野范围带来了严重挑战，特别是在处理传感器噪声、运动畸变和避免“U”型陷阱等复杂场景时，传统方法常常失效（Balestrieri et al., 2021）。在典型的室内场景中，如狭窄走廊、U形拐角或几米长的死胡同，不足的感知覆盖范围和计算瓶颈可能在0.1秒内引发碰撞风险（Kong et al., 2021）；运动模糊可能导致SLAM系统中的姿态漂移（Cioffi et al., 2022）；固定半径的势场方法容易陷入局部最优值的死胡同（Hossain et al., 2022）；基于样本的路径规划算法可能在生成安全路径之前耗尽可用计算资源（Wang et al., 2024）。基于拓扑的全局规划算法（Jermyn, 2021, Sabeeh and Al-Furati, 2023）也需要预先构建的地图，否则在遇到未知环境变化时会导致数百毫秒的重新初始化延迟。另一方面，纯粹的反应式局部规划方法（Shan et al., 2024a, Shan et al., 2024b）受到固定扩展半径的限制，并且容易陷入非凸的死胡同。尽管动态窗口方法（Xu et al., 2023）或单步模型预测控制（MPC）（Le et al., 2024）可以实现显著的单周期优化优势，但它们缺乏从未知死胡同中逃脱的机制。
为了解决上述挑战，本文提出了一种基于轻量级2D激光雷达的自主导航方法。本文提出了一种集成导航框架（图1）。该框架通过前端感知处理确保环境感知的可靠性，并结合了基于风险评估的快速局部规划器以实现敏捷的障碍物避让。更重要的是，本文通过引入基于短时间范围轨迹记忆的死锁检测和逃逸机制，使无人机能够摆脱局部最优状态并完成复杂的导航任务。该框架集成到O(N)循环中，实现了无需全局地图或独立局部规划的轻量级实时规划。它提高了在高室内高度下自主飞行机器人的导航效率，特别是在传感器分辨率非常低和有限的条件下。高保真模拟和实际飞行实验证明了该方法的适用性。它仅使用低成本的单线激光雷达就实现了最高6米/秒的稳定自主导航。
总之，本文的主要贡献如下：
我们提出了一种基于记忆增强的无地图导航框架，实现了O(N)的计算复杂度，并具有毫秒级的决策延迟，使超低功耗微型平台能够实现高速自主飞行。
我们引入了一种基于轨迹熵的正式化死锁检测机制。通过量化历史状态的香农熵，系统可以客观地识别并逃离局部最小值（例如U型陷阱），而无需几何地图。
我们为2D激光雷达开发了一种3D姿态补偿感知规划流程，结合了基于高度的姿态限制和高度一致性滤波，以确保在激进操作期间的感知可靠性。
全面验证：高保真模拟和实际飞行表明，所提出的框架仅需要低成本的2D激光雷达传感器即可实现最高6米/秒的稳定自主导航。
